Лучшая модель Claude для кода и текста: сравнение бенчмарков

Вопрос, какая модель Claude лучше всего подходит для программирования, не имеет одного ответа. Если смотреть только на максимальные значения бенчмарков, на лучшее соотношение цены и результата или на стабильность в неожиданных ситуациях, можно прийти к трём разным моделям. В материале reAPI на основе опубликованных Anthropic данных сравниваются Claude Fable 5, Claude Opus 5 и Claude Opus 4.8, а также упоминается GPT-5.6 Sol. Для агентного программирования Fable 5 показывает 80,3% на SWE-Bench Pro, это самый высокий показатель среди прямо сравнимых строк. Однако в более новом агентном терминальном бенчмарке Opus 5 выигрывает уверенно: на Frontier-Bench v0.1 у него 43,3% против 33,7% у Fable 5 и 21,1% у Opus 4.8. В Anthropic отметили, что публичная версия Fable 5 может отклоняться от нес ограниченной из-за срабатывания safety-классификаторов, поэтому реально доступная модель по Terminal-Bench может оказаться ближе к Opus 4.8. На DeepSWE v1.1 таблица Anthropic показывает GPT-5.6 Sol с 72,7% против 68,8% у Opus 5. Это примечательно, потому что DeepSWE относится к агентному программированию, под которое Opus 5 и позиционируется. Но если рабочая нагрузка больше похожа на длинную терминальную работу, Opus 5 в той же таблице обходит конкурента на девять пунктов. Урок не в том, что одна модель объективно лучше другой, а в том, что выбор зависит от того, какой бенчмарк точнее отражает вашу задачу. Для текстовых задач порядок меняется. Opus 5 набирает 1861 Elo в GDPval-AA v2, Fable 5 — 1747, Opus 4.8 — 1593. Разрыв составляет 114 Elo в пользу Opus 5. На Humanity's Last Exam без инструментов Fable 5 и Opus 5 показывают 56,5% и 56,3%, то есть статистически равны; с инструментами у Opus 5 64,7%, у Fable 5 63,9%. Для черновиков, редактирования и синтеза текста это сигнал в пользу Opus 5, а не модели, которая лидирует в кодовых бенчмарках. Отдельно подчёркивается, что уровень усилий (effort level) может влиять на результат сильнее, чем смена модели. Anthropic описывает Opus 5 как модель, которая лучше предыдущих Opus превращает дополнительные усилия в более качественные ответы, и отмечает, что режимы low и medium дают сильное качество при меньшем количестве токенов и задержке. Рекомендуется начинать со стандартного high и проверять обе стороны на собственных оценках. Это практический вывод: команда, которая выбрала условно лучшую модель, но оставила effort по умолчанию, может получить худший результат, чем команда с моделью уровнем ниже, но с настроенным effort. На платформе reAPI цены за миллион токенов: Fable 5 — 8 долларов за вход и 40 за выход; Opus 5 — 2,40 и 12; Opus 4.8 — 4 и 20; Sonnet 4.6 — 2,40 и 12. Fable 5 дороже Opus 5 более чем в три раза. К этому добавляется обязательное 30-дневное хранение и слой отказов у Fable 5. Для большинства команд такая переплата не очевидна, но для миграции репозитория, где неудачный прогон обходится дороже токенов, может быть оправдана. Итоговые рекомендации из статьи: по умолчанию выбирать Opus 5, потому что у него лучший балл в знаниевой работе, уверенная победа в новом агентном терминальном бенчмарке и самая низкая цена среди трёх моделей. Fable 5 стоит брать, когда задача длинная и сложная и вы сами измерили его преимущество. Opus 4.8 оставить, если ваши оценки уже откалиброваны под него или нужно отключить режим размышлений на высоких уровнях усилий, чего Opus 5 не позволяет. Если рабочая нагрузка похожа на DeepSWE, стоит рассмотреть модель не из семейства Claude — об этом говорит таблица самого Anthropic. В примере кода переключение между моделями сводится к замене строки model в запросе к API, например claude-opus-5, при этом ключ и базовый URL остаются теми же.